小波变换耦合CARS算法提高土壤水分含量高光谱反演精度
发布时间：2020-03-01 19:55
【摘要】：为实现干旱地区土壤水分含量(soil moisture content,SMC)的快速监测,该文以渭干河-库车河绿洲为靶区,采用小波变换(wavelet transform,WT)对反射光谱进行1~8层小波分解,通过相关性分析确定最大分解层数,再通过竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)滤除冗余变量,筛选出与SMC相关性较好的波长变量,并叠加各层特征光谱的优选波长变量作为最优变量集,用偏最小二乘回归(partial least squares regression,PLSR)构建土壤水分含量预测模型并进行分析。结果显示:1)小波分解过程中,土壤反射率与SMC的相关性不断增强,到小波变换第6层分解(L6)处达到最高,因此小波变换最大分解层数为6层分解;2)通过对土样进行WT-CARS耦合算法筛选出变量,得出的最优变量集包括400~500、1 320~1 461、1 851~1 961、2 125~2 268 nm区域之间共131个波长变量;3)相对于全波段预测模型,各层特征光谱的CARS优选变量预测模型的精度均高,并且基于最优变量集的预测模型的精度最高,该模型的建模集均方根误差0.021、建模集决定系数0.721、预测集均方根误差0.028、预测集决定系数0.924、相对分析误差2.607。说明WT-CARS耦合算法使其在建立模型时尽可能少地损失光谱细节、较为彻底的去除噪声,同时还能对无信息变量进行有效去除,为该研究区SMC的预测提供新的思路。
【图文】：
的研究处理[17]，而在SMC估算中的应用尚有待进一步探究。本研究以渭库-绿洲土壤样品为研究对象，基于小波变换对反射光谱进行分解，，并结合CARS算法构建出SMC最优变量子集，以期尽可能少地损失光谱细节、较为彻底的去除噪声，同时对无信息变量进行有效去除，最终构建基于最优变量集的PLSR预测模型，为土壤水分等研究及当地精准农业提供科学支撑和参考。1材料与方法1.1土壤样本以新疆南部、塔里木盆地中北部的渭-库绿洲（41°08′～41°55′N、81°06′～83°37′E）为研究区，根据研究区特点，共布设39个样点（图1），并利用GPS记录样点位置，以便用于验证。各样点采用5点混合法采集土样，深度0～20cm，各采样点采集2份样本（一份通过铝盒带回、另一份用塑料袋带回），带回实验室后，对铝盒中的样品进行室内烘干法（将铝盒中的样品置于105℃恒温箱烘干48h）获得相应的土壤水分含量，另一份样本在室内自然风干、研磨并用2mm孔筛筛过后获取高光谱数据。图1野外样点分布Fig.1Fieldsampledistribution使用美国ASD（AnalyticalSpectralDevices）公司生产的FieldSpec3型光谱仪，在暗室中采集光谱数据，其波长范围为350～2500nm，350～1000nm波长范围采样间隔为1.4nm，1000～2500nm范围采样间隔为2nm，重采样间隔1nm。把通过2mm筛的土样将黑色器皿（直径11cm，深1.4cm）装满，并且将其表面刮平。在暗室中所用光源为50W的卤素灯，光源与试验样品之间相隔50cm，卤素灯天顶角为15°，光谱仪探头与样品之间的相距10cm。每次测量前均用漫反射标准参考板定标。本试验各土样采集10条光谱曲线，其算术平均值为该土样的光谱数据。1.2小波变换小波变换继承傅里叶分析的优势，并克服了傅里叶分析不能对局部信号的局部频谱特征进行分析
tisticalcharacteristicsofsoilmoisturecontent(SMC)ofsoilsamples样品集Samplesset土壤样本数Samples均值Mean标准差SD最大值Max最小值Min变异系数CV全部Wholeset390.1470.0570.3390.0150.389建模集Calibrationset270.1460.0500.2110.0200.341验证集Validationset120.1480.0730.3390.0150.4952.2小波变换及最大分解层本研究在MatlabR2012a中以db4小波母函数对原始光谱数据进行8层小波分解，然后对分解后的每一层小波系数分别进行小波重构，得到各层的特征光谱，分别用L1～L8表征。如图2所示。图2a（L0为未经过小波变换的原始光谱）中，土壤在1400、1900nm周围存在显著的水分吸收峰，而450、2200nm周围较为微弱。L1噪声较多，这是由于原始反射率噪声传递导致，在350～400nm处较为明显，体现为该范围内的“小毛刺”；随着分解的进行，高频信号被进一步去除，噪声传递现象越来越弱，到L5时噪声很少；由于光谱细节被不断去除，导致光谱曲线逐渐趋于平滑，使得某些表征土壤水分的吸收峰消失，例如在L6中1400、1900nm处还存在显著吸收峰，而在L7中几乎不能表现出来。进行CARS算法的前提是确定合适的小波分解层。根据各层特征光谱与SMC的相关分析（表2）。L1特征光谱与SMC之间的相关性通过显著性为0.01（阈值为±0.408）的波段数为393个，随着分解层数的增加，相应的特征光谱与SMC的显著性波段数逐渐增加，到L6时达到最多，为602个，并且在L4处达到最大正相关，为0.619，但随着分解层数进一步的增加，L7及以后特征光谱的显著性波段数快速减少，同时最大相关性也快速降低。总体来说L6处特征光谱不仅能去噪，还尽量保存原始光谱信息。因此，本研究确定最大分解层数为6层，并在L1～L6的基础上进一步分析?
本文编号：2584127
【图文】：
的研究处理[17]，而在SMC估算中的应用尚有待进一步探究。本研究以渭库-绿洲土壤样品为研究对象，基于小波变换对反射光谱进行分解，，并结合CARS算法构建出SMC最优变量子集，以期尽可能少地损失光谱细节、较为彻底的去除噪声，同时对无信息变量进行有效去除，最终构建基于最优变量集的PLSR预测模型，为土壤水分等研究及当地精准农业提供科学支撑和参考。1材料与方法1.1土壤样本以新疆南部、塔里木盆地中北部的渭-库绿洲（41°08′～41°55′N、81°06′～83°37′E）为研究区，根据研究区特点，共布设39个样点（图1），并利用GPS记录样点位置，以便用于验证。各样点采用5点混合法采集土样，深度0～20cm，各采样点采集2份样本（一份通过铝盒带回、另一份用塑料袋带回），带回实验室后，对铝盒中的样品进行室内烘干法（将铝盒中的样品置于105℃恒温箱烘干48h）获得相应的土壤水分含量，另一份样本在室内自然风干、研磨并用2mm孔筛筛过后获取高光谱数据。图1野外样点分布Fig.1Fieldsampledistribution使用美国ASD（AnalyticalSpectralDevices）公司生产的FieldSpec3型光谱仪，在暗室中采集光谱数据，其波长范围为350～2500nm，350～1000nm波长范围采样间隔为1.4nm，1000～2500nm范围采样间隔为2nm，重采样间隔1nm。把通过2mm筛的土样将黑色器皿（直径11cm，深1.4cm）装满，并且将其表面刮平。在暗室中所用光源为50W的卤素灯，光源与试验样品之间相隔50cm，卤素灯天顶角为15°，光谱仪探头与样品之间的相距10cm。每次测量前均用漫反射标准参考板定标。本试验各土样采集10条光谱曲线，其算术平均值为该土样的光谱数据。1.2小波变换小波变换继承傅里叶分析的优势，并克服了傅里叶分析不能对局部信号的局部频谱特征进行分析
tisticalcharacteristicsofsoilmoisturecontent(SMC)ofsoilsamples样品集Samplesset土壤样本数Samples均值Mean标准差SD最大值Max最小值Min变异系数CV全部Wholeset390.1470.0570.3390.0150.389建模集Calibrationset270.1460.0500.2110.0200.341验证集Validationset120.1480.0730.3390.0150.4952.2小波变换及最大分解层本研究在MatlabR2012a中以db4小波母函数对原始光谱数据进行8层小波分解，然后对分解后的每一层小波系数分别进行小波重构，得到各层的特征光谱，分别用L1～L8表征。如图2所示。图2a（L0为未经过小波变换的原始光谱）中，土壤在1400、1900nm周围存在显著的水分吸收峰，而450、2200nm周围较为微弱。L1噪声较多，这是由于原始反射率噪声传递导致，在350～400nm处较为明显，体现为该范围内的“小毛刺”；随着分解的进行，高频信号被进一步去除，噪声传递现象越来越弱，到L5时噪声很少；由于光谱细节被不断去除，导致光谱曲线逐渐趋于平滑，使得某些表征土壤水分的吸收峰消失，例如在L6中1400、1900nm处还存在显著吸收峰，而在L7中几乎不能表现出来。进行CARS算法的前提是确定合适的小波分解层。根据各层特征光谱与SMC的相关分析（表2）。L1特征光谱与SMC之间的相关性通过显著性为0.01（阈值为±0.408）的波段数为393个，随着分解层数的增加，相应的特征光谱与SMC的显著性波段数逐渐增加，到L6时达到最多，为602个，并且在L4处达到最大正相关，为0.619，但随着分解层数进一步的增加，L7及以后特征光谱的显著性波段数快速减少，同时最大相关性也快速降低。总体来说L6处特征光谱不仅能去噪，还尽量保存原始光谱信息。因此，本研究确定最大分解层数为6层，并在L1～L6的基础上进一步分析?
【相似文献】
相关期刊论文 前3条
1 李景福;赵进辉;龙志军;刘诗安;;基于离散小波变换的农业图像处理研究[J];安徽农学通报;2007年03期
2 唐鹏钦;吴文斌;姚艳敏;杨鹏;;基于小波变换的华北平原耕地复种指数提取[J];农业工程学报;2011年07期
3 杨苗;左月明;杨萍果;;基于小波变换的近红外光谱预测土壤有机质[J];山西农业大学学报(自然科学版);2010年02期
本文编号：2584127
本文链接：https://www.wllwen.com/kejilunwen/nykj/2584127.html
